為什麼 2026 還需要專門的向量資料庫？
過去兩年「向量資料庫」這個類別有過爭議：
- 「PostgreSQL + pgvector 就夠了，為什麼還要單獨買服務？」
- 「FAISS 本機跑也行，不用上雲」
2026 年答案分化：取決於你的用量規模跟查詢複雜度。
小規模（< 100 萬向量）：確實 pgvector 就夠 中規模（100 萬 - 1 億）：專門的向量資料庫帶來明顯效能優勢 大規模（> 1 億）：沒有專門向量資料庫做不到
加上 Agentic RAG 興起——AI 代理會做多輪檢索、跨資料源比對、元數據過濾——對「混合檢索能力」的要求大幅提升。pgvector 雖然便宜，但跑 hybrid search 比 Pinecone / Qdrant 慢一個數量級。
LangChain RAG 教學 講上層，這篇講底層選型。
5 大主流深度比較
| 資料庫 | 部署 | 開源 | 最大優勢 | 最大盲點 |
|---|---|---|---|---|
| Pinecone Serverless | 純 SaaS | ❌ | 零維運、開發者體驗最佳 | 高用量時成本失控、被綁 SaaS |
| Milvus 3.0 | 自架 / Zilliz Cloud | ✅ | 超大規模、企業級 HA | 部署複雜、學習曲線陡 |
| Qdrant | 自架 / SaaS | ✅ | 元數據過濾效率極高 | 生態較小 |
| Weaviate | 自架 / SaaS | ✅ | 內建知識圖譜、多模態 | 效能略遜 Milvus / Qdrant |
| pgvector | PostgreSQL 內 | ✅ | 最低成本、ACID、SQL 工具相容 | 大規模效能差 |
Pinecone Serverless
- 計費：按讀寫次數 + 儲存量（很彈性，適合用量波動）
- 適合:初創 / 小團隊、不想搞 ops、快速 POC
- 不適合:月介面費 > USD 5,000 的場景（成本失控風險）
Milvus 3.0
- 計費：自架硬體成本 / Zilliz 雲服務月費
- 適合:超大規模（> 1 億向量）、有 ops 團隊
- 不適合:小團隊、無 ops 能力（部署 + HA 很複雜）
Qdrant
- 計費：開源免費 / Qdrant Cloud 月費
- 適合:需要複雜元數據過濾（電商 product filtering、多租戶 SaaS）
- 不適合:純語意檢索無過濾需求（用 Pinecone 更省事）
Weaviate
- 計費：開源免費 / Weaviate Cloud 月費
- 適合:需要知識圖譜整合、多模態檢索
- 不適合:純文字向量、效能至上的場景
pgvector
- 計費：既有 PostgreSQL 加 extension（零額外成本）
- 適合:< 100 萬向量、已用 PostgreSQL 的應用、需要 ACID 交易
- 不適合:> 1,000 萬向量、低延遲要求 < 50ms
關鍵性能指標（典型情境參考）
以 100 萬向量、1536 維度(OpenAI text-embedding-3-small)為基準的「社群常見實測結果」:
| 維度 | Milvus | Pinecone | Qdrant | Weaviate | pgvector |
|---|---|---|---|---|---|
| 召回率 | 高 | 高 | 高 | 中高 | 中 |
| P99 延遲 | 極低 | 低 | 低 | 中 | 較高 |
| 每月成本（估） | USD 200 自架 | USD 70 SaaS | USD 50 SaaS | USD 80 SaaS | USD 0（已用 PG） |
各家精準度與延遲差距，實際依索引演算法選擇、資料分布、查詢模式有重大影響。上表為定性比較，做生產採購前請用你自己的資料 benchmark。
重點:
- 效能（大規模時）:Milvus > Qdrant > Pinecone > Weaviate > pgvector
- 成本:pgvector < Qdrant < Pinecone < Weaviate < Milvus（自架）
- 召回率差別在小規模時不明顯，規模上去後 pgvector 的相對劣勢才顯現
選型決策矩陣
專案規模 + 團隊能力 → 推薦
─────────────────────────────────
< 100 萬向量 + 已用 PostgreSQL → pgvector
< 100 萬向量 + 全新專案 → Pinecone Serverless
100 萬 - 1,000 萬 + 小團隊 → Pinecone / Qdrant Cloud
1,000 萬 - 1 億 + 有 ops 團隊 → Milvus / Qdrant 自架
> 1 億 + 大企業 → Milvus(必選)Mason 的補充規則:
- 多租戶 SaaS（每個客戶資料隔離）:Qdrant（過濾效能好）
- 多模態（文字 + 圖 + 音）:Weaviate
- 法律 / 金融需要交易完整性:pgvector(ACID)
- 快速做 POC 不想學新工具:Pinecone
2026 兩大技術突破
向量壓縮(Quantization)
傳統：每個向量存 1,536 個 float32 數字 = 6,144 bytes Product Quantization (PQ)：壓縮成 256 bytes，儲存成本降 95%、精準度損失 < 2% Binary Quantization (BQ)：更激進，壓縮到 192 bytes，有更明顯精準度損失但對「第一階段粗排」夠用
實務作法:先用 BQ 粗排找 Top 1000，再用原始向量精排找 Top 10——速度快 10 倍、成本降 80%。
磁碟索引(DiskANN)
傳統：全部向量放 RAM，費用貴 DiskANN：熱資料放 RAM、冷資料放 SSD,單機可索引 10 億+ 向量，成本降 70%+。
適合場景:大型知識庫（學術論文、新聞檔案、法律判決書）——查詢分布不均（80% 查詢落在 20% 熱資料）。
對台灣中小企業的實際建議
最常見錯誤:一開始就用 Pinecone 過度工程。
我看過幾個 startup 用 Pinecone 一年，實際向量數從沒超過 30 萬——pgvector 就夠了。Pinecone 月費 USD 70-200，一年下來 NT$30,000-80,000——能花在更有價值的地方。
建議路徑:
- PoC 階段(< 10 萬向量):pgvector 或 FAISS 本機
- 早期生產(10 萬 - 100 萬):繼續 pgvector，監控查詢延遲
- 成長階段(100 萬 - 1,000 萬):評估升級——延遲 > 200ms 就該換 Pinecone / Qdrant
- 規模化(> 1,000 萬):Pinecone Serverless / Qdrant Cloud（省維運），或自架 Milvus（省成本）
❓ FAQ
FAISS 跟向量資料庫差什麼？
FAISS 是 Meta 的向量搜尋函式庫（不是資料庫）——只有檢索算法，沒有儲存、沒有持久化、沒有 ACID。適合:單機應用、研究、POC。不適合:生產環境（沒高可用、沒備份、沒並發控制）。規則:PoC 用 FAISS、生產上 pgvector 或 Pinecone。
向量資料庫一定要搭配 LangChain 嗎？
不一定。LangChain 提供方便的抽象層，但你完全可以用各家原生 SDK(Pinecone Python、Qdrant Python、psycopg + pgvector)。LangChain 的優勢:(1) 切換向量資料庫只改一行代碼、(2) 預建好的 RAG 模板、(3) 跟 LLM 串接無縫。自己接的優勢:(1) 完全控制、(2) 沒有額外抽象成本、(3) 學到底層原理。建議:新手用 LangChain 上手，熟了之後評估是否要自己接。
怎麼判斷我的應用需要 hybrid search?
典型徵兆:(1) 用戶查詢含「精確產品代號」「法條編號」「SKU」——純向量檢索抓不到、(2) 用戶查詢需要過濾（時間、地區、價格範圍）、(3) 查詢有同義詞但用戶不一定知道（向量強）+ 同時有精確匹配需求(BM25 強)。對策:Hybrid search = 向量檢索 + BM25 / Elasticsearch 全文檢索 + 元數據過濾，三者並行跑後 fusion(RRF 算法常見)。